MongoDB と LangGraph.js の統合

MongoDB をLgGraph.js と統合して、 AIエージェントと高度な RAG アプリケーションを構築できます。このページでは、 MongoDB LgGraph.js 統合の概要と、LgGraph ワークフローでエージェント状態の永続性と取得にMongoDBを使用する方法について説明します。

このページにあるすべてのコンポーネントを使用するサンプルAIエージェントを構築するには、チュートリアルを参照してください。

注意

Python統合については、 LgGraph を参照してください。

バックグラウンド

LangGraph は、LangChain エコシステム内でAIエージェントと複雑なマルチエージェントワークフローを構築するために設計された専用のフレームワークです。グラフは、エージェントのワークフローを表す LangGraph の主要コンポーネントです。MongoDB LangGraph 統合により、次の機能が有効になります。

MongoDB LingGraph チェックポイント : MongoDBで LingGraph エージェントの状態を永続化し、短期間のメモリ を提供できます。
検索ツール: MongoDB LangChain 統合により、LangGraph ワークフロー用の検索ツールを素早く作成できます。

LgGraph アプリケーションをMongoDBと統合すると、取得機能とエージェントメモリの両方を 1 つのデータベースに統合でき、アーキテクチャが簡素化され、運用の複雑さが軽減されます。

MongoDB LingGraph チェックポイント（短期間メモリ）

MongoDB LingGraph チェックポイントを使用すると、 MongoDBでエージェントの状態を永続化し、短期間メモリを実装できます。この機能により、LingGraph エージェントのループ内、メモリ、時間移動、フォールトトレランスが可能になります。

このコンポーネントのパッケージをインストールするには:

npm install @langchain/langgraph-checkpoint-mongodb

使用法

import { MongoDBSaver } from "@langchain/langgraph-checkpoint-mongodb";import { MongoClient } from "mongodb";
// Connect to your MongoDB clusterconst client = new MongoClient("<connection-string>");
// Initialize the MongoDB checkpointerconst checkpointer = new MongoDBSaver(client);
// Instantiate the graph with the checkpointerconst app = graph.compile(checkpointer);

注意

検索ツール

LingGraph ワークフローのツールとしてリツールをシームレスに使用して、 MongoDBから関連データを取得できます。

使用法

MongoDB ベクトル検索と LgDB を使用して基本的な検索ツールを作成するには、次の手順に従います。
```
import { MongoDBAtlasVectorSearch } from "@langchain/mongodb";import { MongoClient } from "mongodb";import { VoyageAIEmbeddings } from "@langchain/community/embeddings/voyage";import { createRetrieverTool } from "langchain/tools/retriever";
// Instantiate the vector storeconst client = new MongoClient("<connection-string>");const collection = client.db("<databaseName>").collection("<collectionName>");const embeddingModel = new VoyageAIEmbeddings();
const vectorStore = new MongoDBAtlasVectorSearch(embeddingModel, {  collection: collection,  indexName: "vector_index", // Name of the index  textKey: "text",           // Name of the collection field containing the raw content  embeddingKey: "embedding", // Name of the collection field containing the embedded text});
// Create a retriever toolconst retriever = vectorStore.asRetriever();const retrieverTool = createRetrieverTool(  retriever,  {    name: "vector_search_retriever", // Tool name    description:      "Retrieve relevant documents from the collection" // Tool description  },);
```
LangGraph にツールをノードとして追加するには、次のように行います。
1. ツールをノードに変換します。
2. ノードをグラフに追加します。
```
import { StateGraph } from "@langchain/langgraph";import { ToolNode } from "@langchain/langgraph/prebuilt";
// Convert the retriever tool into a nodeconst retrieverNode = new ToolNode([retrieverTool]);
// Define the graphconst workflow = new StateGraph(SomeGraphState)  // Add the tool as a node in the graph  .addNode("vector_search_retriever", retrieverNode);
const graph = workflow.compile();
```

注意

戻る

AIエージェントの構築